DAIGT Proper Train Dataset

Conjunto de datos de texto compuesto por varios miles de ejemplos diseñados para entrenar modelos para detectar texto generado por IA. Incluye textos generados por varios modelos lingüísticos principales (ChatGPT, LLama, Falcon, Claude, Mistral), así como ensayos oficiales. Este corpus es adecuado para ajustar y evaluar los modelos de detección de IA.

Obtén el dataset

Tamaño

Varios miles de ensayos de texto en texto plano o formato JSON

Licencia

MIT

Descripción

‍

El DAIGT Proper Train Dataset es un rico corpus textual que incluye varios miles de ejemplos de ensayos generados por varios modelos de lenguaje de IA, así como ensayos en humanos. Contiene metadatos, como el identificador de la prueba y la solicitud de generación, si están disponibles. Este conjunto de datos está diseñado para concursos y proyectos de detección de texto generados por IA.

‍

¿Para qué sirve este conjunto de datos?

‍

Entrene modelos de clasificación para distinguir el texto humano del texto de la IA
Evalúe la solidez de los detectores de IA en una variedad de datos
Ajustes para mejorar la detección en diferentes contextos

‍

¿Se puede enriquecer o mejorar?

‍

Sí, es posible añadir textos generados por nuevos modelos o integrar anotaciones adicionales (por ejemplo, dificultad, tema). El conjunto de datos también se puede estratificar por fuente o por mensaje para realizar análisis detallados.

‍

🔎 En resumen

Criterio	Evaluación
🧩 Facilidad de uso	⭐⭐⭐⭐⭐ (Dataset listo para usar, metadatos útiles)
🧼 Necesidad de limpieza	⭐⭐⭐⭐⭐ (Bajo – datos bien organizados)
🏷️ Riqueza de anotaciones	⭐⭐⭐⭐✩ (Bueno – metadatos sobre fuente y prompts)
📜 Licencia comercial	✅ Sí (MIT)
👨‍💻 Ideal para principiantes	🌟 Adecuado para usuarios principiantes y avanzados
🔁 Reutilizable para fine-tuning	🎯 Excelente para detección y clasificación de texto IA
🌍 Diversidad cultural	📖 Textos variados producidos por varios modelos LLM